用 scipy 约束答案

【问题标题】：Constraint with scipy用 scipy 约束
【发布时间】：2020-08-18 00:19:19
【问题描述】：

我有一个约束条件下的多目标优化问题（最大化），实际上我通过加权技术将其转换为单目标问题，并添加了 2 个变量 x1, x2（用于优化）和约束 @987654321 @ 所以它们的总和必须严格小于 1 才能产生下面代码中描述的第三个目标函数。

当我执行时，总和总是大于 1。

    for i in range(len(f1)):
        def f(x):
            x1= x[0]
            x2= x[1]
            return -(x1*f1[i]+ x2*f2[i]+ (1-x1-x2)*f3[i])

        def constraint(x):
            return x[0]+x[1]-1

        b= (0.2, 0.8)
        bnds= (b, b)
        x0=[0.5,0.4]

        cons= ({'type': 'ineq','fun':constraint})

        res = minimize(f,x0, method= 'SLSQP', bounds=bnds, constraints=cons)

        print('Vect_ponderation : ', res.x)

输出：

Vect_ponderation :  [0.8 0.8]
Vect_ponderation :  [0.8 0.8]
Vect_ponderation :  [0.8 0.8]
Vect_ponderation :  [0.8 0.8]

【问题讨论】：

标签： python optimization scipy constraints minimize

【解决方案1】：

documentation 说：

等式约束意味着约束函数结果为零而不等式意味着它是非负的。请注意，COBYLA 仅支持不等式约束。

def constraint(x):
    return x[0] + x[1] -1

意思是：

x0 + x1 - 1 >= 0  # non-negative
<-> 
x0 + x1 >= 1

在您的解决方案中受到尊重。

你可能想要：

def constraint(x):
    return - x[0] - x[1] + 1

还要记住，没有严格不等式的概念。您将需要引入一些 epsilon 常量先验，例如：eps = 1e-6:

def constraint(x):
    return - x[0] - x[1] + 1 - EPS

【讨论】：

【解决方案2】：

据我了解，您的问题是输出有x1+x2>1。我检查了optimize 文档，上面写着：'不等式意味着它是非负的'。因此，您请求的内容与您认为自己请求的内容相反。

建议：

您的功能非常简单，因此请尝试提供 jacobian 作为附加参数。这样配合效率更高。
尝试展示minimal reproducible example。这使得回答更容易。您的问题缺少f1、f2 和f3 定义。
尝试提出问题。我发现了一些可能是您要解决的问题，但我不确定，因为您的问题中没有问题（即带问号的句子）。

【讨论】：